随着科学技术的发展,特别是现代工业电子、航空航天、图像处理等领域的崛起,滤波技术已经成为当今学术领域和工程领域最为热门的研究课题之一。根据场景需求不同,所使用的滤波框架也存在着差异。在线性系统的各种滤波器中,Kalman滤波要求模型精确且噪声为高斯,在实际环境中难以满足其要求而影响了更好的发展。因此,本文是针对几类模型不确定或噪声为非高斯的系统,展开相应的滤波器设计方法研究。主要创新贡献如下:(1)建立了一种强跟踪滤波器渐消因子的在线迭代求解方法。首先,基于强跟踪滤波器需满足的矩阵恒等式建立相应的标量性能评估函数;其次,基于渐消因子的遍历范围进行逐级遍历求解渐消因子;最后,用仿真实验对该方法的可行性进行了验证。(2)建立了一种双层容积卡尔曼滤波器。首先,基于预测误差协方差矩阵进行Sigma点采样,进一步以每个Sigma点为中心再进行第二层Sigma点采样,以增强样本对统计特性的表示能力;其次,先在第二层上建立对第一层采样的估计值及协方差,并在此基础上建立总体的预测值和协方差矩阵;再次,对测量系统进行采样,建立相应的滤波估计器;最后,用仿真实验验证该方法的可行性。(3)针对一类观测噪声为非高斯的线性动态系统,提出了一种基于采样样本均值估计器的最大相关熵滤波设计方法。首先,将预测估计值视为一个新的观测方程,建立基于原测量方程的扩展测量系统;其次,基于对测量的重采样建立测量误差协方差矩阵,并结合预测误差协方差矩阵,建立预测估计值和测量值扩维向量的相互独立分解方法;再次,建立用于估计系统状态的目标函数;然后,将增益矩阵建模为一个不动点方程,进行在线迭代优化求解;最后,用仿真验证了方法的有效性。